Nouveautés et modifications apportées à watsonx.ai

Vous pouvez désormais utiliser les modèles de base suivants pour l'inférence à partir de Prompt Lab et de l'API :

• ibm-defense-4-0-small
• devstral-small-2512
• devstral-medium-2512
• ministral-14b-instruct-2512
• mistral-large-2512

Pour plus de détails, voir Modèles de fondations pris en charge.

Pour plus d'informations, consultez la section Inférence à partir de modèles de base personnalisés déployés.

Pour plus d'informations, consultez Ajouter une fonction de chat génératif à vos applications avec l'API de chat.

Pour plus d'informations, consultez la section Enregistrer un modèle RAG en tant que service IA déployable.

Pour plus de détails, consultez Automatisation d'un modèle RAG avec AutoAI.

Pour plus de détails, consultez les modèles de base pris en charge pour AutoAI les expériences.

Vous pouvez désormais utiliser les modèles de base suivants pour l'inférence à partir de Prompt Lab et de l'API :

• granite-4-h-tiny
• granite-docling-258M
• ibm-defense-4-0-micro

Pour plus de détails, voir Modèles de fondations pris en charge.

Vous pouvez désormais configurer et interagir en toute sécurité avec les modèles de base de plusieurs fournisseurs grâce à la passerelle de modèles, en utilisant l'API. De plus, vous pouvez gérer la passerelle modèle grâce à l'équilibrage de charge intégré, aux politiques d'accès et aux limites de débit.

Pour plus de détails, voir Modèle de passerelle.

Vous pouvez désormais ajouter des modèles personnalisés d'intégration et de reclassement à watsonx.ai et les utiliser pour saisir le sens sémantique et affiner les résultats récupérés.

Tous les modèles de base personnalisés utilisent désormais le vLLM serveur d'inférence. Si vos modèles déployés utilisent le serveur d'inférence TGIS, vous devrez peut-être les migrer.

Pour plus d'informations, consultez la section Conditions requises pour le déploiement de modèles de base personnalisés.

Vous pouvez classer votre document à l'aide de l'API de classification dans l'un des nombreux types de documents courants pris en charge sans avoir à exécuter une tâche d'extraction plus longue. En prétraitant le document, vous pouvez ensuite personnaliser votre demande d'extraction de texte afin d'extraire efficacement les informations pertinentes de votre document.

Pour plus d'informations sur l'API de classification de texte et la bibliothèque de compréhension de documents, consultez Classification de texte [Classification de texte] et Compréhension de documents.

Pour plus d'informations, consultez Créer un index vectoriel par programmation.

Pour plus d'informations, consultez la section Création de tâches pour générer des données synthétiques non structurées.

• Utiliser le découpage sémantique dans AutoAI pour les expériences RAG

  Vous pouvez désormais utiliser la méthode de segmentation sémantique pour décomposer des documents dans le AutoAI cadre d'une expérience RAG. Le découpage sémantique divise les documents en fonction de leur signification, ce qui le rend particulièrement adapté aux données complexes ou non structurées.

  Pour plus d'informations, consultez la section Personnalisation des paramètres de fragmentation.

• Utilisez les modèles API de chat dans AutoAI pour les expériences RAG

  Vous pouvez désormais utiliser les modèles API de chat dans AutoAI pour les expériences RAG, au lieu des modèles de modèles de prompt. Ces modèles doivent disposer de capacités de chat pour fonctionner dans AutoAI le cadre d'expériences RAG.

  Pour plus de détails, voir Modèles de fondations pris en charge.

• Déployer automatiquement le modèle supérieur dans AutoAI pour les expériences RAG

  Vous pouvez désormais activer le déploiement automatique du modèle le plus performant une fois l'expérience AutoAI RAG terminée. Vous pouvez activer le déploiement automatique lorsque vous configurez l'expérience. Le déploiement automatique permet de réduire les étapes manuelles et d'automatiser davantage le flux de travail expérimental.

  Pour plus de détails, voir Création de l'expérience AutoAI RAG.

• Utilisez plusieurs index vectoriels dans AutoAI pour les expériences RAG

  Vous pouvez désormais sélectionner jusqu'à 20 index vectoriels pour votre collection de documents dans le AutoAI cadre d'une expérience RAG. Lors de la configuration de l'expérience, lorsque vous ajoutez des sources de documents et d'évaluation, choisissez Bases de connaissances, puis sélectionnez jusqu'à 20 connexions. Vous pouvez ensuite définir les détails de chaque connexion, tels que le nom de l'index et les modèles d'intégration. L'utilisation de plusieurs index vous offre davantage de flexibilité et peut améliorer la qualité et les performances de vos expériences.

  Pour plus de détails, voir Utilisation des bases de connaissances de stockage vectoriel dans les expériences AutoAI RAG.

• Utiliser les schémas de base de données SQL dans AutoAI pour les expériences RAG

  Vous pouvez désormais choisir un schéma de base de données SQL comme base de connaissances dans une expérience AutoAI RAG. Vous pouvez utiliser des connexions SQL telles que Db2, PostgreSQL, et MySQL. Lorsque vous utilisez des sources SQL, les paramètres de segmentation sont désactivés et seules les mesures d'exactitude des réponses sont disponibles pour l'optimisation. Avec un RAG SQL, les données structurées peuvent être récupérées directement à partir de la base de données relationnelle, ce qui peut améliorer la précision et la pertinence des réponses par rapport aux sources basées sur des documents.

  Pour plus de détails, voir Utilisation des bases de connaissances SQL dans les expériences AutoAI RAG.